CN116070802A - 一种基于数据孪生的智能监控运维方法和系统 - Google Patents

一种基于数据孪生的智能监控运维方法和系统 Download PDF

Info

Publication number
CN116070802A
CN116070802A CN202310341671.3A CN202310341671A CN116070802A CN 116070802 A CN116070802 A CN 116070802A CN 202310341671 A CN202310341671 A CN 202310341671A CN 116070802 A CN116070802 A CN 116070802A
Authority
CN
China
Prior art keywords
data
target device
model
evaluation index
parameter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202310341671.3A
Other languages
English (en)
Other versions
CN116070802B (zh
Inventor
关琦
涂佳鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CETC 15 Research Institute
Original Assignee
CETC 15 Research Institute
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by CETC 15 Research Institute filed Critical CETC 15 Research Institute
Priority to CN202310341671.3A priority Critical patent/CN116070802B/zh
Publication of CN116070802A publication Critical patent/CN116070802A/zh
Application granted granted Critical
Publication of CN116070802B publication Critical patent/CN116070802B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于系统集成技术领域，提供一种基于数据孪生的智能监控运维方法和系统，该方法包括：采集数据中心的目标设备的运行相关数据；根据所采集的运行相关数据，确定各目标设备的评估指标参数，建立各目标设备相对应的预测告警策略；根据所述采集的运行相关数据、所建立的预测告警策略，建立基于数据孪生的数字孪生智能值班模型；采用所述数字孪生智能值班模型，自动确定各目标设备的综合评估情况，并实时进行可视化服务告警。本发明基于数据孪生技术，模拟目标设备的真实运行场景，建立数字孪生智能值班模型，以自动确定各目标设备的综合评估情况，实现了实时可视化服务告警，提高了值班与运维工作效率。

Description

一种基于数据孪生的智能监控运维方法和系统
技术领域
本发明涉及系统集成技术领域，尤其涉及一种基于数据孪生的智能监控运维方法和系统。
背景技术
现有的技术中，数据中心设备基数大，网络线路复杂，运维主要以告警主动推送为主，值班员定时定期巡检为辅，多数都是在问题发生之后才能让人知道，再通过日志或者其它手段进行分析故障原因和可能性。全天24小时随时都可能发生，告警问题可大可小，有需要及时处理的，也有可以稍晚处理，无论影响的大小都需要做到无故障的保持数据中心24小时的稳定运行。
此外，在对大型设备机房内多种设备（特别是大基数的多种设备）同时进行实时监控、可视化报警、智能化数据评估和数据运维等多方面仍存在很大改进空间。
因此，有必要提供一种基于数据孪生的智能监控运维方法，以解决上述问题。
发明内容
本发明意在提供一种基于数据孪生的智能监控运维方法和系统，以解决现有技术中数据中心设备基数大，网络线路复杂，无法同时进行实时监控，数据运维方面告警存在延迟性，多数问题都是在问题发生之后才会被相关人员发现，再通过日志或者其它手段进行分析故障原因等，无法对大型设备机房内多种设备（特别是大基数的多种设备）同时进行实时监控等技术问题，本发明要解决的技术问题通过以下技术方案来实现。
本发明第一方面提出一种基于数据孪生的智能监控运维方法，所述智能监控运维方法包括：采集数据中心的目标设备的运行相关数据；根据所采集的运行相关数据，确定各目标设备的评估指标参数，建立各目标设备相对应的预测告警策略；根据所采集的运行相关数据、所建立的预测告警策略，建立基于数据孪生的数字孪生智能值班模型；根据所述数字孪生智能值班模型，自动确定各目标设备的综合评估情况，并实时进行可视化服务告警。
根据可选的实施方式，所述根据所采集的运行相关数据，确定各目标设备的评估指标参数，包括：监测历史预定监测时间段内各目标设备的运行参数，确定评估指标参数，并确定与各目标设备的评估指标参数相对应的参数预警范围，其中，所述目标设备包括动力环境设备和业务相关设备。
根据可选的实施方式，根据对数据中心运行的影响比重，选择以下评估指标参数中的一者或多者：点位水流、水压、点位电压、电流、负载率、温度、湿度、风量、电压、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定服务器中运行的服务数据。
根据可选的实施方式，所述建立各目标设备相对应的预测告警策略，包括：
采用灰阶模型算法，根据所采集的运行相关数据，绘制评估指标参数的第一预测模型；采用自回归滑动平均方法，建立评估指标参数的第二预测模型。
根据可选的实施方式，在使用所述第一预测模型和所述第二预测模型进行参数评估时，先判断所输入的评估指标参数是否是平稳非纯随机序列，在所输入的评估指标参数是平稳非纯随机序列时，使用所述第二预测模型进行参数评估；在所输入的评估指标参数不是平稳非纯随机序列时，进行数据修正后，再使用所述第二预测模型进行参数评估。
根据可选的实施方式，在监测到同一目标设备的单一评估指标参数或单一评估指标参数的时间序列时，使用所述第一预测模型进行参数评估。
根据可选的实施方式，基于数据孪生技术，根据与业务场景相对应的所有目标设备及环境运行参数，建立数字孪生智能值班模型，所述数字孪生智能值班模型为三维可视化模型，用于实时显示待监控的所有目标设备的当前运行状态，其中，所述数字孪生智能值班模型自动确定各目标设备的综合评估情况，并实时显示服务告警信息，所述综合评估情况包括使用所述第一预测模型和第二预测模型对各评估指标参数所进行的参数评估。
根据可选的实施方式，在监测到各目标设备的评估指标参数出现异常或出现设备故障时，则将所出现的异常或设备故障实时显示在相对应的目标设备的位置，并实时显示服务告警信息。
本发明第二方面提出一种基于数据孪生的可视化数据中心系统，其使用本发明第一方面所述的智能监控运维方法进行数据监控、数据评估和报警，所述可视化数据中心系统包括：动力环境模块，包括各目标设备和数据处理模块，所述数据处理模块用于采集数据中心的目标设备的运行相关数据；根据所采集的运行相关数据，确定各目标设备的评估指标参数，建立各目标设备相对应的预测告警策略；基础设施服务相关模块，包含IT设备的运行状态、告警信息、CPU使用率排名表、内存使用率排名表、磁盘使用率排名表、网络传输率排名表；云平台相关模块，用于监控和显示服务的运行状态；三维可视化模型建立模块，根据所采集的运行相关数据、所建立的预测告警策略，建立基于数据孪生的数字孪生智能值班模型以自动确定各目标设备的综合评估情况，并实时进行可视化服务告警；以及外部接入模块，用于接入外部设备。
根据可选的实施方式，所述数据处理模块用于监测历史预定监测时间段内各目标设备的运行参数，确定评估指标参数，并确定与各目标设备的评估指标参数相对应的参数预警范围，其中，目标设备包括动力环境设备和业务相关设备；所述数据处理模块根据对数据中心运行的影响比重，选择以下评估指标参数中的一者或多者：点位水流、水压、点位电压、电流、负载率、温度、湿度、风量、电压、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定服务器中运行的服务数据。
本发明第三方面提供一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面所述的方法。
本发明第四方面提供一种计算机可读介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现本发明第一方面所述的方法。
本发明实施例包括以下优点：
与现有技术相比，本发明的智能监控运维方法通过采集数据中心的目标设备的运行相关数据，并基于数据孪生技术，模拟目标设备的真实运行场景，建立数字孪生智能值班模型，以当实际数据中心出现故障和问题，能够自动确定各目标设备的综合评估情况，能够在不影响目标设备正常运行的情况下，提高值班与运维工作效率；能够实现实时可视化服务告警，在告警的同时，能够利用数字孪生的可视化精确定位具体故障位置。
此外，通过采用灰阶模型算法，根据所采集的运行相关数据，绘制评估指标参数的第一预测模型，使用第一预测模型进行评估指标参数的预测，能够实现数据更新和精度检验，实现对故障的精准预测，预测精度高，且误差小。
此外，通过采用自回归滑动平均方法，建立评估指标参数的第二预测模型，并使用第二预测模型进行评估指标参数的预测，能够提高预测效果，提高预测曲线的拟合度。
附图说明
图1是本发明的基于数据孪生的智能监控运维方法的一示例的步骤流程图；
图2是应用本发明的智能监控运维方法的数据中心的一示例的示意图；
图3是本发明的基于数据孪生的智能监控运维方法中目标设备的一评估指标参数的初始参数预警范围的一示例的示意图；
图4是图3的调整或更新后的初始参数预警范围的示意图；
图5是本发明的基于数据孪生的智能监控运维方法中目标设备的评估指标参数的初始参数预警范围的一示例的示意图；
图6是图5的调整或更新后的初始参数预警范围的示意图；
图7是本发明的基于数据孪生的智能监控运维方法中建立预测模型的一示例的示意图；
图8是图7的建立预测模型的过程的一应用示例的示意图；
图9是图7的建立预测模型的过程的另一应用示例的示意图；
图10是图7的建立预测模型的过程中获得的自相关图的一示例图；
图11是图7的建立预测模型的过程中获得的偏自相关图的一示例图；
图12是图7的建立预测模型的过程中拟合效果的一示例的示意图；
图13是根据本发明的数据孪生的可视化数据中心系统的一示例的结构示意图；
图14是图13的可视化数据中心系统的另一角度的结构示意图；
图15是根据本发明的电子设备实施例的结构示意图；
图16是根据本发明的计算机可读介质实施例的结构示意图。
具体实施方式
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
鉴于上述问题，本发明提出一种基于数据孪生的智能监控运维方法。通过采集数据中心的目标设备（例如温湿度传感器、制冷空调、配电柜、服务器、交换机、防火墙、网闸、路由器、入侵检测、传输链路等）的运行相关数据（例如温度、湿度、水压、风量、电压、电流、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定的服务器中运行的服务数据等），并基于数据孪生技术，模拟设备的真实运行场景，在不影响目标设备正常运行的情况下，能够有效提高值班与运维工作效率。
下面参照图1至图12，将对本发明的内容进行详细说明。
图1是本发明的基于数据孪生的智能监控运维方法的一示例的步骤流程图。图2是应用图1的智能监控运维方法的数据中心（例如为可视化数据中心系统）的一示例的示意图。
参照图1和图2，本发明提供一种基于数据孪生的智能监控运维方法。
首先，在步骤S101中，采集数据中心的目标设备的运行相关数据。
具体地，通过具有开放式多种协议的数据收集接口进行数据采集，例如使用SFTP（SSH File Transfer Protocol,也称Secret File Transfer Protocol）、FTP（FileTransfer Protocol，文件传输协议）、HTTP(S)、Prometheus（开源的服务监控系统和时间序列数据库）、SNMP（Simple Network Management Protocol，简单网络管理协议）、Zabbix、Syslog（系统日志）、Nagios等等。
具体地，所述目标设备包括动力环境的相关系统中的设备和业务相关设备。例如设备机房包括所有目标设备。
在一实施方式中，如图2所示，所述动力环境的相关系统包括配电系统、制冷系统、综合网络布线、温湿度监控系统、安全防护系统、消防系统、云平台（例如包括计算资源池、网络资源池、存储资源池、安全资源池、中间件）、外部网络接入部分、以及与各服务相对应的大量服务器。具体地，所述目标设备具体是指与上述各系统或各部分相对应的设备，并且设备基数很大。例如，数据中心机房占地面积近500m²，拥有IT设备超过400多台，目标设备包括温度传感器、湿度传感器、制冷空调、配电柜、服务器、交换机、防火墙、网闸、路由器、入侵检测、传输链路等。
需要说明的是，对于设备机房的应用场景没有特别限制，只要所述设备机房包括超过例如指定数量（例如400台）的目标设备、外部网络接入部分以及与各服务相对应的大量服务器即可。
在另一实施方式中，采集预定历史时间段内各目标设备的运行相关数据，所述运行相关参数包括运行参数、运行状态。具体地，所采集的目标设备的运行参数包括温度、湿度、水压、风量、电压、电流、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定的服务器中运行的服务。运行状态例如是正常状态、良好状态、异常状态等等。
接着，根据所采集的运行相关数据，进行后续数据分析和输出处理、以及用于后续模拟真实运行场景。
对于所采集的运行相关数据，将这些运行相关数据存储在数据库中，预先设定各目标设备稳定运行的各参数范围值（即评估指标参数的初始参数预警范围）。
优选地，将所采集的运行相关数据，进行数据清洗和数据分类，得到如下数据对象集合：设备参数集合M、设备故障参数集合S、设备性能参数集合N、特定参数集合X、分析结果数据集合Z。
需要说明的是，对数据存储，存储的数据对象集合包括关系型数据集合H和非关系型数据Y。只要具有数据存放与提取的能力即可，包括但不限于HDFS、Redis、Kafka、HBase、Elasticsearch、DB等数据存储。上述仅作为可选示例进行说明，不能理解成对本发明的限制。
在步骤S102中，根据所采集的运行相关数据，确定各目标设备的评估指标参数，建立各目标设备相对应的预测告警策略。
具体地，监测历史预定监测时间段内（例如自当前时刻向前推算的三个月、四个月、五个月、六个月等等）各目标设备的运行参数，确定评估指标参数，并确定与各目标设备的评估指标参数相对应的参数预警范围。
例如，经过3个月目标设备的稳定运行状态监测，得到各目标设备的以下运行参数：点位水流、水压、点位电压、电流、负载率、温度、湿度、风量、电压、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定服务器中运行的服务数据，等等。
可选地，根据对数据中心运行的影响比重、报警频率等因素，确定各目标设备的评估指标参数，并从中选择一者或多者进行实时显示。
具体地，所述评估指标参数例如为下述参数的一者或多者：点位水流、水压、点位电压、电流、负载率、温度、湿度、风量、电压、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定服务器中运行的服务数据。
例如，确定的评估指标参数包括温度、防火墙流量。根据所述历史预定监测时间段内的温度传感器、安全防护系统的运行参数，确定温度、防火墙流量的初始参数预警范围（包括预定参数最大值和预定参数最小值）。
在一实施方式中，根据温度传感器、湿度传感器（或者温湿度传感器）提供的温度数据（运行参数），绘制如图3所示的温度变化趋势图，以确定温度传感器或温湿度传感器的温度的初始参数预警范围为例如10℃-35℃。其中，图3中的温度表示实际监测过程的温度数据。
优选地，根据当前时刻向前推算预定时间的历史预定监测时间段内实际监测数据，更新（或调整）所述初始参数预警范围（例如为15℃-30℃），具体参见图4。
通过更新或调整初始参数预警范围，由此当实际的数据中心有任何异常发生造成温度降低或升高时，模拟的可视化数据中心系统都能够更灵敏的判定故障。
在另一实施方式中，例如云平台用于监控和显示服务的运行状态，该云平台的对外接口是由安全防护系统中的防火墙担任，在业务正常运行之后三个月以上的时间，防火墙进出接口流量通常分布在0-400Mbps之间（具体参见图5），预设的初始参数预警范围为从0Mbps-1000Mbps。但是，当云平台发生了被攻击或者出现意外的情况下，会超越400Mbps，如图6所示的情况，但是又没有达到1000Mbps的告警值，故而系统是无法让人第一时间感知到系统发生故障和攻击现象，所以我们需要设置告警值为0-450Mbps左右的阈值，当被攻击的时候与业务流量碰撞在一起就很容易超过450这个阈值。如图6所示，能够很灵敏的体现系统异常或被攻击。
需要说明的是，当出现超越450Mbps的防火墙流量时，会发出告警告知，当出现数据低于150或者直接是0的情况，也会发送相应告知。若是因为业务问题造成，手动调整上下限；若是意外情况则需要查询具体原因。上述仅作为可选示例进行说明，不能理解成对本发明的限制。
在一可选实施方式中，根据目标设备的稳定运行的时间，以大数据分析和CNN智能化运算方法进行自动调整初始参数预警范围。将初始参数预警范围调整在最合适的范围，以提高告警的灵敏度且不会对系统运行造成任何影响。
接着，将说明各目标设备相对应的预测告警策略的建立过程。
具体地，建立预测告警策略包括建立与各目设备相对应的预测模型、告警类型、告警等级、告警信息、告警告知方式等。
需要说明的是，在本发明中，根据所采集的运行相关数据，以时序数据进行驱动实现数据中心目标设备寿命与PHM（Prognostics Health Management）。以时序数据进行驱动的PHM方法，具体将预测对象的历史数据按照时间进行排列，并建立数据随时间变化的数学模型，继而外推至未来进行预测；或将历史数据拟合一条曲线，预测对象随时间变化的趋势，估计出某时刻的预测值。
具体地，采用灰阶模型算法，根据所采集的运行相关数据，绘制评估指标参数的第一预测模型。
需要说明的是，灰阶模型通常被表示为 GM (n, m)，其中 n 为微分方程的阶数，m为微分方程的变量数。本发明采用在计算效率较高的1阶、1个变量的微分方程模型 GM (1,1)。
具体地，设防火墙外口流量的一组原始数据为，n为数据个数，例如在一个时间点内收集数据如下表1，单位GB。
表1
对累加以便弱化随机序列的波动性和随机性，得到新的数列为：。其中，，k为正整数，且为从1到n。例如使用上述假设值，可得：x(1)=[3023, 6062, 9118, 12256,15444, 18670, 21699, 24558, 27428, 30338, 33350, 36492,39744, 43086, 46451,49790, 53135, 56556, 59999, 63427, 66981]。
接着，基于所得到的新的数列，生成x(1)的邻均值等权数列，其中，，使用上述假设值，矩阵表示为：Z(1)(k)= [3031.0, 3047.5, 3097.0, 3163.0, 3207.0, 3127.5, 2944.0, 2864.5,2890.0, 2961.0, 3077.0, 3197.0, 3297.0, 3353.5,3352.0, 3342.0, 3383.0,3432.0, 3435.5, 3491.0]。
根据灰阶模型GM(1,1)理论构建关于t的白化形式的一阶一元微分方程：，其中a,b为待解系数，分别称为发展系数和灰色作用量，只要求出待解系数a,b，就能求出x(1)(t)，即得到第一预测模型的数据表达式，进而使用所得到的第一预测模型求出x(1)的预测值，预定时间段内的预测值序列或者预定时刻的预测值。
函数表达式中所述待解系数a和b未知，而变量t和x(1)却是已知的，那么对于参数a、b的求解需要使用最小二乘法，通过小化误差的平方和求最佳的参数计算过程。
先对累加生成数据做均值计算生成矩阵记为B，将参数矩阵记为A，A包含所需要求的a和b，将真实值记为Y，则有A*B=Y的计算方法，对于最小二乘计算方法可以表示为min||AB-Y||2,最后最优解A=（BTB）-1BTY。
，，通过最小二乘法求解待解系数a和b，将待解系数a和b代入上述公式中则：，计算得到a≈-0.0083664, b≈2912.3519863。
接着，将待解系数a和b代入，并对进行求解，得。
通过将上述结果累减还原，即可得到第一预测模型的数据表达式：，用矩阵方法表为：=[2949.967, 2974.751, 2999.743, 3024.946, 3050.360, 3075.988, 3101.831,3127.891, 3154.170,3180.669, 3207.392, 3234.339, 3261.512, 3288.914,3316.546,3344.410, 3372.508, 3400.842, 3429.414, 3458.227]。
在一优选实施方式中，对所建立的第一预测模型进行精度检验，采用后验差检验方法进行精度检验。
使用残差表达式进行相对误差计算（包括计算评估指标参数的均值、方差的均值、残差的均值、残差的方差、后验差比值）：
残差：使用矩阵方法表示：
相对误差：，使用矩阵方法表示：[3.104,1.397,2.686,-3.028,-1.746,-6.468.7.806,1.078.-5.655]。
Q(k)= [0.024, 0.021, 0.018, 0.036, 0.043, 0.047, 0.024, 0.094, 0.099,0.093, 0.065,0.029, 0.003, 0.016, 0.014, 0.002, 0.008, 0.006, 0.004, 0.009]。
原始序列X（0）及残差序列E（0）方差分别记录为S1和S2，则有
，S1表示原始数据方差，数据离散程度。
，S2表示残方差，残差数据离散程度。其中，使用表达式计算后验差比值；
使用表达式计算小误差概率。
使用小误差概率作为预测精度进行比对，判断是否满足预设精度（例如，该示例中使用的数据实例，计算精度P为0.86，满足预制要求0.8～1）。由此，可得到精度稍高的第一预测模型，例如为图8所示的趋势图，即使用灰阶模型（GM（1，1））建立随时间变化的流量的预测趋势图（其中包括原始值的趋势图和预测值的趋势图）。
可选地，通过如下预测精度等级，判断是否满足预设精度：好 P>0.95 C<0.35；合格 P>0.80 C<0.45；勉强合格 P>0.70 C<0.50；不合格 P<=0.70 C>=0.65。
通过采用灰阶模型算法，根据所采集的运行相关数据，绘制评估指标参数的第一预测模型，使用第一预测模型进行评估指标参数的预测，能够实现数据更新和精度检验，实现对故障的精准预测，预测精度高，且误差小。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
可选地，采用自回归滑动平均方法（即ARMA方法），建立评估指标参数的第二预测模型。
需要说明的是，自回归滑动平均方法（即ARMA方法）将数据视为随机序列，结合相邻数据之间的数学关系来建立预测模型，进而拟合时间序列。如果时间序列Yt满足自回归平均模型，简记为ARMA(p,q)。
，其中b,q为自然数，是白噪序列。当p取值为0时，ARMA(0,q)代表的本质含义就是MA(q)；当q取值为0时，ARMA(p,0)代表的本质含义就是AR§。但是，如果所要研究的时间序列数据不满足平稳条件的限制，此时便要通过d阶差分等方法使其满足平稳条件的约束，之后才能对此序列进行分析与研究。
如图7所示，第二预测模型的建立步骤具体包括以下步骤。
步骤S701，对输入的数据进行判断，例如上述的防火墙接口数据的案例数据，利用ARMA方式进行预测分析如表1所示。
使用ARMA模型进行预测分析，可参见图9。
判断其是否为平稳非纯随机序列，即图9中的预测曲线是平稳预测曲线，也是现实需要的平稳曲线。其中，图9中包括流量统计数据的趋势图（即曲线图），也包括流量预测的趋势图。
步骤S702，若判断其是平稳非纯随机序列，则进行模型识别和定阶。
若判断其不是平稳非纯随机序列，则进行数据处理，处理得到平稳非纯随机序列时，再进行模型识别和定阶。
表1
当q=0时刻，，通过计算获得自相关图，具体参见图10。
当P=0时刻，，通计算获得偏自相关图，具体参见图11。
具体通过自相关和偏自相关函数，并结合AIC[AIC=(2k-2L)/n]和BIC[BIC=−2ln(L)+kln(n)]准则对建立的模型进行模型识别和定阶。(上述k是所拟合模型中参数的数量，L是对数似然值，n是观测值数目。k越小意味着模型越简洁，L越大意味着模型越精确。因此，所述模型是兼顾了简洁性和精确性。当阶数p,q增加，2ln(L)会变大，但同时k也会变大。所以AIC和BIC存在一个最优值, 我们在寻找最佳阶数的时候，就是寻找使得AIC和BIC取最大值的阶数)。
步骤S703，在完成模型识别和定阶后，利用样本拟合方法进入第二模型的参数估计阶段。
对拟合的第二模型进行适应性检验。如果拟合模型通过检验，则开始进行预测阶段。若模型检验不通过，则重新进行模型识别和检验，直到确定满足适应性的第二模型，即选择适应性大于预定值的拟合模型作为第二模型，如拟合效果具体参见图12，其中，所述拟合效果预测图包括样本值的趋势曲线和预测值的趋势曲线。
由此，完成了第二预测模型的建立，以用于评估指标参数的预测。
通过采用自回归滑动平均方法，建立评估指标参数的第二预测模型，并使用第二预测模型进行评估指标参数的预测，能够提高预测效果，提高预测曲线的拟合度。
需要说明的是，在其他实施方式中，还可以使用ARMA和BP神经网络组合方法建立第二预测模型，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
在本实施方式中，通过上述两种时序方法建立预测模型，并根据两种预测模型得出的评估结论进行综合评判。但是不限于此，在其他实施方式中，还可以使用其他时序方法建立预测模型。上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接着，在步骤S103中，根据所采集的运行相关数据、所建立的预测告警策略，建立基于数据孪生的数字孪生智能值班模型。
具体地，基于数据孪生技术，具体根据与业务场景相对应的所有目标设备及环境运行参数，建立数字孪生智能值班模型，所述数字孪生智能值班模型为与实际数据中心相平行的虚拟三维可视化模型（即模拟各目标设备的真实运行场景下的三维可视化模型）。所述数字孪生智能值班模型用于实时显示待监控的所有目标设备的当前运行状态。
具体地，所述当前运行状态包括运行状态是否正常、评估指标参数的具体数值显示等等。
在一实施方式中，所述当前运行状态包括IT设备的运行状态、告警信息、CPU使用率排名表、内存使用率排名表、磁盘使用率排名表、网络传输率排名表等。
可选地，通过数字孪生智能值班模型的可视化数据集合包括：实时性的性能数据、实时性的运行数据、实时性的告警数据、实时性的通信数据。
优选地，所述数字孪生智能值班模型自动确定各目标设备的综合评估情况，并实时显示服务告警信息，所述综合评估情况包括使用所述第一预测模型和第二预测模型对各评估指标参数所进行的参数评估。
需要说明的是，上述仅作为可选示例进行说明，不能理解成对本发明的限制。
接着，在步骤S104中，根据所述数字孪生智能值班模型，自动确定各目标设备的综合评估情况，并实时进行可视化服务告警。
在一实施方式中，在使用所述预测趋势图或所述预测模型进行参数评估时，先判断所输入的评估指标参数是否是平稳非纯随机序列，在所输入的评估指标参数是平稳非纯随机序列时，使用所述第二预测模型进行参数评估，得到评估结果，并实时显示在所述数字孪生智能值班模型的可视化界面上。
在另一实施方式中，在使用所述预测趋势图或所述预测模型进行参数评估时，先判断所输入的评估指标参数是否是平稳非纯随机序列且判断该评估指标参数是否为小于预定时间的参数，在所输入的评估指标参数是平稳非纯随机序列且是小于预定时间的参数时，使用所述第二预测模型进行参数评估，得到评估结果，并实时显示在所述数字孪生智能值班模型的可视化界面上。
在又一实施方式中，在所输入的评估指标参数不是平稳非纯随机序列时，进行数据修正后，再使用所述第二预测模型进行参数评估，得到评估结果，并实时显示在所述数字孪生智能值班模型的可视化界面上。
在又一实施方式中，在监测到同一目标设备的单一评估指标参数或单一评估指标参数的时间序列时，使用所述第一预测模型进行参数评估，得到评估结果，并实时显示在所述数字孪生智能值班模型的可视化界面上。
在又一实施方式中，在监测到各目标设备的评估指标参数出现异常或出现设备故障时，则将所出现的异常或设备故障实时显示在相对应的目标设备的位置，并实时显示服务告警信息。例如，显示温度传感器的温度过高等服务告警信息。
通过使用所述数字孪生智能值班模型自动确定各目标设备的综合评估情况，并实时进行可视化服务告警，能够在不影响目标设备正常运行的情况下，提高值班与运维工作效率。
需要注意的是，附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。
与现有技术相比，本发明的智能监控运维方法通过采集数据中心的目标设备的运行相关数据，并基于数据孪生技术，模拟目标设备的真实运行场景，建立数字孪生智能值班模型，以当实际数据中心出现故障和问题，能够自动确定各目标设备的综合评估情况，能够在不影响目标设备正常运行的情况下，提高值班与运维工作效率；能够实现实时可视化服务告警，在告警的同时，能够利用数字孪生的可视化精确定位具体故障位置。
此外，通过采用灰阶模型算法，根据所采集的运行相关数据，绘制评估指标参数的第一预测模型，使用第一预测模型进行评估指标参数的预测，能够实现数据更新和精度检验，实现对故障的精准预测，预测精度高，且误差小。
此外，通过采用自回归滑动平均方法，建立评估指标参数的第二预测模型，并使用第二预测模型进行评估指标参数的预测，能够提高预测效果，提高预测曲线的拟合度。
下述为本发明系统实施例，可以用于执行本发明方法实施例。对于本发明系统实施例中未披露的细节，请参照本发明方法实施例。
图13是根据本发明的数据孪生的可视化数据中心系统的一示例的结构示意图。图14是图13的可视化数据中心系统的另一角度的结构示意图。
参照图2、图13和图14，本公开第二方面提供一种数据孪生的可视化数据中心系统，其特征在于，其使用本发明第一方面所述的智能监控运维方法进行数据监控、数据评估和报警。
如图13所示，可视化数据中心系统900包括动力环境模块910、基础设施服务相关模块920、云平台相关模块930、三维可视化模型建立模块940和外部接入模块950，外部接入模块950用于接入外部设备，各模块的通信关系如图14所示，数据集中收集后进行处理。
需要说明的是，实际数据中心由大量的服务器、网络设备、以及大型的IT系统（包括N个子系统配合完成），需要监测多种故障并准确定位，并不是每个人员都熟悉各系统的情况与故障，为了更智能化处理监测多种故障并准确定位，本发明基于孪生技术，建立可视化数据中心系统。当实际数据中心出现故障和问题，在告警的同时，能够利用数字孪生的可视化精确定位具体故障位置。
如图14所示，所述可视化数据中心系统900还包括三维可视化平台和数据处理与计算平台（数据处理模块），该三维可视化平台包括值班监控和告警推送；所述数据处理与计算平台包括对待处理数据进行数据清洗、故障预测、告警预测和数据存储等。具体地，所述动力环境模块910包括各目标设备，还包括数据处理模块，该数据处理模块用于采集数据中心的目标设备的运行相关数据；根据所采集的运行相关数据，确定各目标设备的评估指标参数，建立各目标设备相对应的预测告警策略。
可选地，基础设施服务相关模块920包含IT设备的运行状态、告警信息、CPU使用率排名表、内存使用率排名表、磁盘使用率排名表、网络传输率排名表。
具体地，所述云平台相关模块930用于监控和显示服务的运行状态，各服务根据各数据中心的情况各不一样，例如：服务告警信息、云平台运行状况、容器运行状况、中间件运行状况，各服务负载情况等。例如网络入口流量统计信息、网络安全设备负载情况等。
进一步地，三维可视化模型建立模块940根据所采集的运行相关数据、所建立的预测告警策略，建立基于数据孪生的数字孪生智能值班模型，所述数字孪生智能值班模型用于实时监控设备机房内的各目标设备的运行状态，自动确定各目标设备的综合评估情况，并实时进行可视化服务告警。
可选地，所述数据处理模块还用于监测历史预定监测时间段内各目标设备的运行参数，确定评估指标参数，并确定与各目标设备的评估指标参数相对应的参数预警范围，其中，所述目标设备包括动力环境设备和业务相关设备。
进一步地，外部接入模块950用于接入外部设备，外部接入模块950还包括数据接收口，通过具有开放式多种协议的数据收集接口进行数据采集，例如使用SFTP（SSH FileTransfer Protocol,也称Secret File Transfer Protocol）、FTP（File TransferProtocol，文件传输协议）、HTTP(S)、Prometheus（开源的服务监控系统和时间序列数据库）、SNMP（Simple Network Management Protocol，简单网络管理协议）、SYSLOG、ZabbixPromet heus、Syslog（系统日志）、Nagios等等。
具体地，所述目标设备包括动力环境设备和业务相关设备。所述数据处理模块根据对数据中心运行的影响比重，选择如下评估指标参数中的一者或多者：点位水流、水压、点位电压、电流、负载率、温度、湿度、风量、电压、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定服务器中运行的服务数据。
根据可选的实施方式，所述建立各目标设备相对应的预测告警策略，包括：
采用灰阶模型算法，根据所采集的运行相关数据，绘制评估指标参数的第一预测模型；采用自回归滑动平均方法，建立评估指标参数的第二预测模型。
根据可选的实施方式，在使用所述预测趋势图或所述预测模型进行参数评估时，先判断所输入的评估指标参数是否是平稳非纯随机序列，在所输入的评估指标参数是平稳非纯随机序列时，使用所述第二预测模型进行参数评估；在所输入的评估指标参数不是平稳非纯随机序列时，进行数据修正后，再使用所述第二预测模型进行参数评估。
根据可选的实施方式，在监测到同一目标设备的单一评估指标参数或单一评估指标参数的时间序列时，使用所述第一预测模型进行参数评估。
根据可选的实施方式，基于数据孪生技术，根据与业务场景相对应的所有目标设备及环境运行参数，建立数字孪生智能值班模型，所述数字孪生智能值班模型为三维可视化模型，用于实时显示待监控的所有目标设备的当前运行状态，其中，所述数字孪生智能值班模型自动确定各目标设备的综合评估情况，并实时显示服务告警信息，所述综合评估情况包括使用所述第一预测模型和第二预测模型对各评估指标参数所进行的参数评估。
根据可选的实施方式，在监测到各目标设备的评估指标参数出现异常或出现设备故障时，则将所出现的异常或设备故障实时显示在相对应的目标设备的位置，并实时显示服务告警信息。
需要说明的是，在本发明的系统实施例中的智能监控运维方法与本发明的方法实施例中的智能监控运维方法大致相同，因此，省略了相同部分的说明。
与现有技术相比，本发明的系统通过采集数据中心的目标设备的运行相关数据，并基于数据孪生技术，模拟目标设备的真实运行场景，建立数字孪生智能值班模型，以当实际数据中心出现故障和问题，能够自动确定各目标设备的综合评估情况，能够在不影响目标设备正常运行的情况下，提高值班与运维工作效率；能够实现实时可视化服务告警，在告警的同时，能够利用数字孪生的可视化精确定位具体故障位置。
此外，通过采用灰阶模型算法，根据所采集的运行相关数据，绘制评估指标参数的第一预测模型，使用第一预测模型进行评估指标参数的预测，能够实现数据更新和精度检验，实现对故障的精准预测，预测精度高，且误差小。
此外，通过采用自回归滑动平均方法，建立评估指标参数的第二预测模型，并使用第二预测模型进行评估指标参数的预测，能够提高预测效果，提高预测曲线的拟合度。
图15是根据本发明的电子设备实施例的结构示意图。
如图15所示，电子设备以通用计算设备的形式表现。其中处理器可以是一个，也可以是多个并且协同工作。本发明也不排除进行分布式处理，即处理器可以分散在不同的实体设备中。本发明的电子设备并不限于单一实体，也可以是多个实体设备的总和。
所述存储器存储有计算机程序，例如计算机可执行程序，通常是机器可读的代码。所述计算机可执行程序可以被所述处理器执行，以使得电子设备能够执行本发明的方法，或者方法中的至少部分步骤。
所述存储器包括易失性存储器，例如随机存取存储单元（RAM）和/或高速缓存存储单元，还可以是非易失性存储器，如只读存储单元（ROM）。
可选的，该实施例中，电子设备还包括有I/O接口，其用于电子设备与外部的设备进行数据交换。I/O接口可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
应当理解，图16显示的电子设备仅仅是本发明的一个示例，本发明的电子设备中还可以包括上述示例中未示出的元件或组件。例如，有些电子设备中还包括有显示屏等显示单元，有些电子设备还包括人机交互元件，例如按钮、键盘等。只要该电子设备能够执行存储器中的计算机可读程序以实现本发明方法或方法的至少部分步骤，均可认为是本发明所涵盖的电子设备。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，图16所示，根据本发明实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干命令以使得一台计算设备（可以是个人计算机、服务器、或者网络设备等）执行根据本发明实施方式的上述方法。
所述软件产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
所述计算机可读存储介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了可读程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。可读存储介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、传播或者传输用于由命令执行系统、装置或者器件使用或者与其结合使用的程序。可读存储介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言的任意组合来编写用于执行本发明操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网（LAN）或广域网（WAN），连接到用户计算设备，或者，可以连接到外部计算设备（例如利用因特网服务提供商来通过因特网连接）。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被一个该设备执行时，使得该计算机可读介质实现本公开的数据交互方法。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中，也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块，也可以进一步拆分成多个子模块。
通过以上的实施例的描述，本领域的技术人员易于理解，这里描述的示例实施例可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本发明实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM，U盘，移动硬盘等）中或网络上，包括若干命令以使得一台计算设备（可以是个人计算机、服务器、移动终端、或者网络设备等）执行根据本发明实施例的方法。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是，本发明不限于这里描述的详细结构、设置方式或实现方法；相反，本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。

Claims (10)

1.一种基于数据孪生的智能监控运维方法，其特征在于，包括：
采集数据中心的目标设备的运行相关数据；
根据所采集的运行相关数据，确定各目标设备的评估指标参数，建立各目标设备相对应的预测告警策略；
根据所采集的运行相关数据、所建立的预测告警策略，建立基于数据孪生的数字孪生智能值班模型；
采用所述数字孪生智能值班模型，自动确定各目标设备的综合评估情况，并实时进行可视化服务告警。
2.根据权利要求1所述的智能监控运维方法，其特征在于，所述根据所采集的运行相关数据，确定各目标设备的评估指标参数，包括：
监测历史预定监测时间段内各目标设备的运行参数，确定评估指标参数，并确定与各目标设备的评估指标参数相对应的参数预警范围，其中，所述目标设备包括动力环境设备和业务相关设备。
3.根据权利要求2所述的智能监控运维方法，其特征在于，
根据对数据中心运行的影响比重，选择以下评估指标参数中的一者或多者：
点位水流、水压、点位电压、电流、负载率、温度、湿度、风量、电压、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定服务器中运行的服务数据。
4.根据权利要求1所述的智能监控运维方法，其特征在于，所述建立各目标设备相对应的预测告警策略，包括：
采用灰阶模型算法，根据所采集的运行相关数据，绘制评估指标参数的第一预测模型；
采用自回归滑动平均方法，建立评估指标参数的第二预测模型。
5.根据权利要求4所述的智能监控运维方法，其特征在于，
在使用所述第一预测模型和所述第二预测模型进行参数评估时，先判断所输入的评估指标参数是否是平稳非纯随机序列，
在所输入的评估指标参数是平稳非纯随机序列时，使用所述第二预测模型进行参数评估；
在所输入的评估指标参数不是平稳非纯随机序列时，进行数据修正后，再使用所述第二预测模型进行参数评估。
6.根据权利要求4所述的智能监控运维方法，其特征在于，
在监测到同一目标设备的单一评估指标参数或单一评估指标参数的时间序列时，使用所述第一预测模型进行参数评估。
7.根据权利要求4所述的智能监控运维方法，其特征在于，
基于数据孪生技术，根据与业务场景相对应的所有目标设备及环境运行参数，建立数字孪生智能值班模型，所述数字孪生智能值班模型为三维可视化模型，用于实时显示待监控的所有目标设备的当前运行状态，其中，
所述数字孪生智能值班模型自动确定各目标设备的综合评估情况，并实时显示服务告警信息，所述综合评估情况包括使用所述第一预测模型和第二预测模型对各评估指标参数所进行的参数评估。
8.根据权利要求1或7所述的智能监控运维方法，其特征在于，
在监测到各目标设备的评估指标参数出现异常或出现设备故障时，则将所出现的异常或设备故障实时显示在相对应的目标设备的位置，并实时显示服务告警信息。
9.一种数据孪生的可视化数据中心系统，其特征在于，其使用权利要求1至8中任一项所述的智能监控运维方法进行数据监控、数据评估和报警，所述可视化数据中心系统包括：
动力环境模块，包括各目标设备和数据处理模块，所述数据处理模块用于采集数据中心的目标设备的运行相关数据；根据所采集的运行相关数据，确定各目标设备的评估指标参数，建立各目标设备相对应的预测告警策略；
基础设施服务相关模块，包含IT设备的运行状态、告警信息、CPU使用率排名表、内存使用率排名表、磁盘使用率排名表、网络传输率排名表；
云平台相关模块，用于监控和显示服务的运行状态；
三维可视化模型建立模块，根据所采集的运行相关数据、所建立的预测告警策略，建立基于数据孪生的数字孪生智能值班模型以自动确定各目标设备的综合评估情况，并实时进行可视化服务告警；以及
外部接入模块，用于接入外部设备。
10.根据权利要求9所述的可视化数据中心系统，其特征在于，
所述数据处理模块用于监测历史预定监测时间段内各目标设备的运行参数，确定评估指标参数，并确定与各目标设备的评估指标参数相对应的参数预警范围，其中，目标设备包括动力环境设备和业务相关设备；
所述数据处理模块根据对数据中心运行的影响比重，选择如下评估指标参数中的一者或多者：
点位水流、水压、点位电压、电流、负载率、温度、湿度、风量、电压、电功率、接口流量、CPU值、内存使用率、磁盘使用率、特定服务器中运行的服务数据。
CN202310341671.3A 2023-04-03 2023-04-03 一种基于数据孪生的智能监控运维方法和系统 Active CN116070802B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310341671.3A CN116070802B (zh) 2023-04-03 2023-04-03 一种基于数据孪生的智能监控运维方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310341671.3A CN116070802B (zh) 2023-04-03 2023-04-03 一种基于数据孪生的智能监控运维方法和系统

Publications (2)

Publication Number Publication Date
CN116070802A true CN116070802A (zh) 2023-05-05
CN116070802B CN116070802B (zh) 2023-09-29

Family

ID=86180547

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310341671.3A Active CN116070802B (zh) 2023-04-03 2023-04-03 一种基于数据孪生的智能监控运维方法和系统

Country Status (1)

Country Link
CN (1) CN116070802B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116684303A (zh) * 2023-08-01 2023-09-01 聪育智能科技(苏州)有限公司 一种基于数字孪生的数据中心运维方法及系统
CN116861204A (zh) * 2023-09-05 2023-10-10 山东山森数控技术有限公司 基于数字孪生的智能制造设备数据管理系统
CN117478394A (zh) * 2023-11-07 2024-01-30 广州达悦信息科技有限公司 一种基于数字孪生的网络安全分析方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210055432A (ko) * 2019-11-07 2021-05-17 삼성중공업 주식회사 디지털 트윈 시스템을 이용한 해양 구조물의 위험 예측 방법
CN113110221A (zh) * 2021-04-29 2021-07-13 上海智大电子有限公司 一种管廊系统的综合智能监控方法及系统
CN115470079A (zh) * 2022-09-20 2022-12-13 数字浙江技术运营有限公司 一种系统故障预警方法、装置及服务器
CN115643150A (zh) * 2022-11-01 2023-01-24 中通服建设有限公司 一种基于数字孪生的idc智能运维管理系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210055432A (ko) * 2019-11-07 2021-05-17 삼성중공업 주식회사 디지털 트윈 시스템을 이용한 해양 구조물의 위험 예측 방법
CN113110221A (zh) * 2021-04-29 2021-07-13 上海智大电子有限公司 一种管廊系统的综合智能监控方法及系统
CN115470079A (zh) * 2022-09-20 2022-12-13 数字浙江技术运营有限公司 一种系统故障预警方法、装置及服务器
CN115643150A (zh) * 2022-11-01 2023-01-24 中通服建设有限公司 一种基于数字孪生的idc智能运维管理系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116684303A (zh) * 2023-08-01 2023-09-01 聪育智能科技(苏州)有限公司 一种基于数字孪生的数据中心运维方法及系统
CN116684303B (zh) * 2023-08-01 2023-10-27 聪育智能科技(苏州)有限公司 一种基于数字孪生的数据中心运维方法及系统
CN116861204A (zh) * 2023-09-05 2023-10-10 山东山森数控技术有限公司 基于数字孪生的智能制造设备数据管理系统
CN116861204B (zh) * 2023-09-05 2023-12-08 山东山森数控技术有限公司 基于数字孪生的智能制造设备数据管理系统
CN117478394A (zh) * 2023-11-07 2024-01-30 广州达悦信息科技有限公司 一种基于数字孪生的网络安全分析方法及系统
CN117478394B (zh) * 2023-11-07 2024-05-17 广州达悦信息科技有限公司 一种基于数字孪生的网络安全分析方法、系统、计算机设备及计算机可读存储介质

Also Published As

Publication number Publication date
CN116070802B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN116070802B (zh) 一种基于数据孪生的智能监控运维方法和系统
JP7017861B2 (ja) 異常検知システムおよび異常検知方法
JP6609050B2 (ja) 時間的因果グラフにおける異常フュージョン
CN116992399B (zh) 一种基于电力数据分析的电力设备运维评估方法
US20230118175A1 (en) Event analysis in an electric power system
CN117176560B (zh) 一种基于物联网的监测设备监管系统及其方法
CN104620248A (zh) 使用遗传编程估计剩余使用寿命
CN112734977B (zh) 一种基于物联网的设备风险预警系统及算法
CN116224137A (zh) 一种ups设备故障预警方法及系统
CN112697267A (zh) 一种工业设备异常振动检测装置
CN108306997B (zh) 域名解析监控方法及装置
CN115372816A (zh) 基于数据分析的配电开关设备运行故障预测系统及方法
CN114363212B (zh) 一种设备检测方法、装置、设备和存储介质
US10733514B1 (en) Methods and apparatus for multi-site time series data analysis
CN116684253A (zh) 基于智能运维的网络异常管控方法
WO2024088025A1 (zh) 一种基于多维数据的5gc网元自动化纳管方法及装置
CN116663747B (zh) 一种基于数据中心基础设施的智能预警方法及系统
CN111258863B (zh) 数据异常检测方法、装置、服务器和计算机可读存储介质
CN116050930A (zh) 监盘系统、方法、存储介质及电子设备
CN115392056A (zh) 一种高压架空输电线路运行状态监测及预警方法及装置
CN114860543A (zh) 异常检测方法、装置、设备与计算机可读存储介质
CN111382946B (zh) 设备健康状态的自主评估方法、系统及工业互联网设备
WO2020261621A1 (ja) 監視システム、監視方法及びプログラム
TWI696401B (zh) 基地台之障礙辨識伺服器及方法
CN117644431B (zh) 基于数字孪生模型的cnc机床加工质量分析方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant